МЕТОД РАСПОЗНАВАНИЯ ТЕКСТОВЫХ ДАННЫХ НА ИЗОБРАЖЕНИЯХ
Аннотация
Целью исследования является исследование проблем, возникающих в процессе цифро-
вой обработки изображений, в системах получения текстовых характеристик объектов
продукции. Таких как выделение объектов, попадающих в кадры видеопотока и распознава-
ние текстовой маркировки, без использования специализированного аппаратного обеспече-
ния. В частности, проблемы, возникающие при работе с изображениями, содержащими
различный уровень шумов и искажений. В задачи исследования входит сравнение и анализ
методов и алгоритмов, используемых для цифровой обработки изображений, с целью поис-
ка объектов в видеопотоке, выделения и сегментации участков, содержащих текст, рас-
познавания текста и классификации полученных данных. Построение математической
модели обработки изображений, с целью получения текстовой информации о продукции в
кадрах видеопотока, с возможностью работы с различными объектами. Оценить точ-
ность распознавания при различном уровне шума и провести сравнительный анализ с аль-
тернативными решениями на основе полученных данных. В результате работы проведен
анализ методов, используемых для работы с кадрами видеопотока с целью выделения оп-
ределенных объектов. Проведен анализ методов, используемых для цифровой обработки
изображения, в частности для выделения текстовой информации. Разработан алгоритм
классификации частей текстовой информации на основе эталонных признаков. Представ-
лена математическая модель обработки изображений для выделения искомого объекта в
кадре, получения текстовой информации и классификации характеристик продукции. Про-
ведено тестирование данных методов и алгоритмов в различных условиях. Проведено
сравнение реализации классификатора символов с альтернативным вариантом. Наглядно
представлены примеры и результаты работы разработанной системы.
Литература
[Identification of markings of rolled metal rolls], Vestnik cherepovetskogo gosudarstvennogo
universiteta [Bulletin of Cherepovets State University], 2016, No. 5 (74), pp. 12-15.
2. Hsu C., Yang Y., Chang A., Morsalin S., Shen G., Shiu L. Automatic Recognition of Container
Serial Code, 2023 International Conference on Consumer Electronics, 2023, pp. 257-258.
3. Feng W., He W., Yin F., Zhang X., Liu C. TextDragon: An End-to-End Framework for Arbitrary
Shaped Text Spotting, International Conference on Computer Vision (ICCV), 2019,
pp. 9075-9084.
4. Yazdi M., Bouwmans T. New Trends on Moving Object Detection in Video Images Captured
by a moving Camera: A Survey, Computer Science Review, 2018, No. 28, pp. 157-177.
5. Provotorov A.V., Orlov A.A. Metodika poetapnogo obnaruzheniya markirovki slyabov [Methodology
for step-by-step detection of slab markings], Sovremennye problemy nauki i
obrazovaniya [Modern problems of science and education], 2012, No. 6, pp. 98-98.
6. Pyzh S.V., Ganicheva O.G. Mobil'naya avtomatizirovannaya sistema inventarizatsii
metallurgicheskoy produktsii i obespecheniya bezopasnosti v skladskikh pomeshcheniyakh
[Mobile automated system for inventory of metallurgical products and security in warehouses],
Nauchno-tekhnicheskiy progress v chernoy metallurgii: Sb. statey [Scientific and technical
progress in ferrous metallurgy: Collection of articles]. Cherepovets, 2013, pp. 266-271.
7. Xiang Z., You Z., Qian M., Zhang J. Metal stamping character recognition algorithm based on
multi-directional illumination image fusion enhancement technology, EURASIP Journal on
Image and Video Processing, 2018, Vol. 18, pp. 1-11. DOI: 10.1186/s13640-018-0321-7.
8. Zakharov A.A., Zhiznyakov A.L., Titov V.S. Metod nakhozhdeniya sootvetstviy na
izobrazheniyakh s ispol'zovaniem struktur [Method for finding correspondences in images using
structures], Komp'yuternaya optika [Computer Optics], 2019, Vol. 43, No. 5, pp. 810-817.
– DOI: 10.18287/2412-6179-2019-43-5-810-817.
9. Goremykin I.V., Butenko L.N. Deskriptory tsvetovykh regionov v zadache obespecheniya
tsvetovoy soglasovannosti izobrazheniya [Descriptors of color regions in the problem of ensuring
color consistency of an image], Perspektivy razvitiya informatsionnykh tekhnologiy [Prospects
for the development of information technologies], 2015, No. 27, pp. 6-17.
10. Silakov N.V., Tassov K.L. Obzor algoritmov obnaruzheniya tekstovykh oblastey na kadrakh
videopotoka [Review of algorithms for detecting text areas on video stream frames], Vestnik
RGGU. Seriya: Informatika. Informatsionnaya bezopasnost'. Matematika [Bulletin of the Russian
State University for the Humanities. Series: Computer Science. Information Security.
Mathematics], 2020, No. 2, pp. 27-45. DOI: 10.28995/2686-679X-2020-2-27-45.
11. Mahajan S., Rani R., Trehan K. DELIGHT-Net: DEep and LIGHTweight network to segment
Indian text at word level from wild scenic images, International Journal of Multimedia Information
Retrieval, 2023, No. 12 (2), pp. 29-37.
12. Gonsales R., Vuds R. TSifrovaya obrabotka izobrazheniy [Digital image processing]. Moscow:
Tekhnosfera, 2012, 1104 p.
13. Shapiro L., Stokman Dzh. Komp'yuternoe zrenie [Computer vision]. Moscow: BINOM, 2013,
752 p.
14. Khomonenko A.D., Yakovlev E.L. Obosnovanie arkhitektury svertochnoy neyronnoy seti dlya
avtonomnogo raspoznavaniya ob"ektov na izobrazheniyakh bortovoy vychislitel'noy sistemoy
[Justification of the architecture of a convolutional neural network for autonomous recognition
of objects in images by an on-board computer system], Naukoemkie tekhnologii v
kosmicheskikh issledovaniyakh Zemli [Science-intensive technologies in space research of the
Earth], 2018, Vol. 10, No. 6, pp. 86-93.
15. Busta M., Neumann L., Matas J. Deep TextSpotter: An End-to-End Trainable Scene Text Localization
and Recognition Framework, 2017 IEEE International Conference on Computer Vision
(ICCV), 2017, pp. 2223-2231.
16. Liu Y., Wang Y., Shi H. A Convolutional Recurrent Neural-Network-Based Machine Learning
for Scene Text Recognition Application. Symmetry, Symmetry, 2023, No. 15 (4), 849.
17. Liu X., Liang D., Yan S., Chen D., Qiao Y., Yan J. FOTS: Fast Oriented Text Spotting with a
Unified Network, Computer Vision and Pattern Recognition, 2018, pp. 5676-5685.
18. Chaitra Y., Dinesh R., Gopalakrishna M., Prakash B.A. Deep-CNNTL: Text Localization from
Natural Scene Images Using Deep Convolution Neural Network with Transfer Learning, Arabian
Journal for Science and Engineering, 2021, No. 47 (9), pp. 9629-9640.
19. He T., Tian Z., Huang W., Shen C., Qiao Y., Sun C. An End-to-End TextSpotter with Explicit
Alignment and Attention, IEEE Conference on Computer Vision and Pattern Recognition,
2018, pp. 5020-5029.
20. Bulatov K.B. A method to reduce errors of string recognition based on combination of several
recognition results with per-character alternatives, Vestnik Yuzhno-Ural'skogo gosudarstvennogo
universiteta. Seriya: Matematicheskoe modelirovanie i programmirovanie [Bulletin
of the South Ural State University. Series: Mathematical modeling and programming], 2019,
Vol. 12, No. 3, pp. 74-88. DOI: 10.14529/mmp190307.
21. Panishchev V.S., Trufanov M.I., Dobroserdov O.G., Khomyakov O.O. Raspoznavanie simvol'noy
informatsii dlya avtomatizatsii proizvodstvennykh protsessov [Recognition of symbolic information
for automation of production processes], Izvestiya Yugo-Zapadnogo gosudarstvennogo universiteta
[News of the South-Western State University], 2021, No. 1, pp. 122-137.
